[發明專利]一種基于衛星和地面站連接密度的動態聚合聯邦學習方法

在審

• 申請號: 202211487222.1
• 申請日: 2022-11-24
• 公開（公告）號: CN115713009A
• 公開（公告）日: 2023-02-24
• 發明（設計）人: 許建龍;劉粵龍;金夢晴;林健;徐卓
• 申請（專利權）人: 汕頭大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F119/02
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 周增元

1.一種基于衛星和地面站連接密度的動態聚合聯邦學習方法，其特征在于，包括以下步驟：

S1：在第i輪，當衛星與地面站首次建立連接時，地面站發送全局模型w_i；

S2：所述衛星在本地訓練模型，并在下次連接時將本地的局部模型返回給地面站；

S3：當采集到的所述局部模型數量超過緩沖容量V或到預定義的時間周期T₀時，所述地面站采用加權平均法更新所述全局模型。

2.根據權利要求1所述的基于衛星和地面站連接密度的動態聚合聯邦學習方法，其特征在于，

所述更新所述全局模型表示為：

式子中B表示本輪返回本地模型的衛星索引集，V為緩沖區的緩沖容量，a(B)為聚合指標，其中a(B)的下標SDA是Synchronous Dynamic Aggregation的縮寫，意為同步動態聚合，即本專利所提出的動態聚合聯邦學習方法；a(B)_SDA＝1，表示地面站可以進行本地更新聚合。

3.根據權利要求2所述的基于衛星和地面站連接密度的動態聚合聯邦學習方法，其特征在于，所述加權平均法包括將將全局模型在每個衛星上的本地數據集上的損失函數加權求和得到最終損失函數F(w)：

其中|Ds|是私有數據集Ds中的記錄數，s代表衛星下標、S代表該FL系統中所含衛星集合；f_s(w)是全局模型在本地數據集|D_S|上的損失函數，l(w，x)是模型w對數據樣本x的訓練損失。

4.根據權利要求3所述的基于衛星和地面站連接密度的動態聚合聯邦學習方法，其特征在于，所述S2具體包括步驟：

所述衛星接收到全局模型后，將使用全局模型初始化局部模型，然后使用局部數據集訓練模型：

其中η是學習率，其中w的下標是局部訓練索引，表示局部訓練的輪次，上標則是衛星索性，代表衛星s的第i輪的局部模型，則代表衛星s的第i+1輪的局部模型，是用局部數據集D_S上第i輪訓練得出的損失函數。

5.根據權利要求4所述的基于衛星和地面站連接密度的動態聚合聯邦學習方法，其特征在于，所述衛星使用本地數據集訓練多個時期的本地模型，用于減少收斂所需的通信輪數。

6.根據權利要求5所述的基于衛星和地面站連接密度的動態聚合聯邦學習方法，其特征在于，所述S3還包括步驟：

S31：所述地面站從所述衛星聚合局部模型參數/梯度，當滿足更新條件時更新全局模型，表達式為：

其中s代表衛星下標，Β表示本輪返回本地模型的衛星索引集，|Ds|是私有數據集Ds中的記錄數，H＝∑_S∈βD_S則表示本輪返回本地模型的衛星索引集中的所有衛星的數據集的記錄數之和，a(B)為聚合指標；

S32：所述地面站更新全球模型后，協調衛星進行下一輪訓練，并發送最新的全球模型。